一种基于自适应特征模态分解与轻量化网络的轴承故障诊断方法

本发明属于机械设备故障诊断，尤其涉及一种基于自适应特征模态分解与轻量化网络的轴承故障诊断方法。

背景技术：

1、滚动轴承作为旋转机械的核心部件，广泛用于航空航天、交通运输、精密机床等关键领域，其健康状况直接决定着整机运行的可靠性与安全性。然而，轴承常处于高速、高温、高负载等恶劣工况下，易出现磨损、剥落等损伤，进而引发性能退化甚至突发故障。据统计，轴承故障约占旋转机械故障总数的45%–55%，是导致设备停机、生产损失乃至安全事故的主要原因之一。因此，开展准确、及时的滚动轴承故障诊断，对保障设备稳定运行、提升生产安全水平具有重要的工程实际意义。

2、现有的轴承故障诊断技术主要分为两类：一类是基于模型的诊断方法，通过建立机械动力学模型和物理方程来推断系统运行状态。这类方法能够解释故障机理，但在复杂工况下往往需要大量的假设条件和系统参数，难以准确描述实际运行情况。另一类是基于数据驱动的诊断方法，依靠信号处理和模式识别算法直接从传感器数据中提取特征并进行状态分类。然而，现有深度学习模型仍然存在一些不足：单一模态信号难以充分表达复杂的故障特征，对噪声和工况变化敏感；大尺寸模型计算复杂度高，参数量庞大，难以满足嵌入式设备或边缘终端的实时部署要求；特征融合与显著性选取机制不完善，在多模态条件下故障识别精度仍受限制。因此，亟需一种能够融合多源信号特征、同时保持模型轻量化的智能诊断方法，以实现复杂工况下的高鲁棒性和高效率的轴承故障识别。

技术实现思路

1、本发明旨在解决现有轴承故障诊断方法在复杂工况下特征提取困难、诊断精度不足，以及深度学习模型计算复杂度高，难以在嵌入式终端实时部署的技术问题，提出了一种基于自适应特征模态分解与轻量化网络的轴承故障诊断方法。该方法通过向光生长算法优化特征模态分解的参数，实现信号的自适应分解；利用平方包络谱峭度筛选有效模态并进行加权重构，增强故障特征；通过连续小波变换生成二维时频图；最后，构建集成了坐标注意力和repvit模块的轻量化卷积神经网络ca-repmnv3进行分类，从而在保证高诊断精度的同时大幅降低计算开销。

2、所述方法包括以下步骤：

3、步骤1）采用公开的中国华中科技大学(hust)轴承数据集并对其进行预处理；

4、步骤2）采用向光生长算法对特征模态分解的参数进行寻优，得到最优参数组合；利用所述最优参数组合对原始振动信号进行特征模态分解，分解得到多个模态分量；

5、步骤3）计算每个所述模态分量的平方包络谱峭度值，并以所有模态分量的平方包络谱峭度均值为阈值，筛选出不低于所述阈值的有效模态分量，然后按照各有效模态分量的平方包络谱峭度值进行加权重构，得到增强的故障特征信号；

6、步骤4）将所述故障特征信号通过连续小波变换转换为二维时频图；

7、步骤5）构建一种改进的轻量化卷积神经网络ca-repmnv3，基于轻量化结构mobilenetv3-small，其中步频为1的瓶颈层替换成高效特征提取层repvit block；引入高效坐标注意力模块（ca）替代原有的挤压激励（se）模块，提升了空间感知能力；

8、步骤6）将所述二维时频图输入至ca-repmnv3网络中，进行特征提取与分类，输出最终的轴承故障诊断结果。

9、进一步地，步骤1）具体为：

10、101) 选择来自华中科技大学的hust轴承数据集。该数据集的试验台由电机、转速控制器、转轴及数据采集板组成，并在故障轴承上安装三向加速度传感器。实验在采样率为25.6khz的情况下采集四种轴承故障类型：球体故障、内圈故障、外圈故障和组合故障，同时收集一种健康状态。每段数据段包含1024个数据点，总计15250个样本。

11、102）划分数据集，分别将70%的数据用于训练，20%的数据用于验证，10%的数据用于测试。

12、103）从hust轴承振动信号数据集中取1024个采样点作为一张时频域图像的原数据，即把振动信号按照1024个点划分为一段进行fmd预处理；不足1024点的将不足的点用0补上，即最后数据仅剩512点，那么将剩余的512点用0替代。

13、进一步地，步骤2）具体为：

14、201) 以fmd的分解模式数、滤波器长度和频带分割数作为待优化参数，构成向光生长算法中的细胞个体：

15、

16、以fmd所得各模态分量的最小包络熵作为适应度函数，通过向光生长算法的分裂、生长和伸长阶段的迭代更新，搜寻使适应度函数最小的最优参数组合。

17、202) 将细胞群体分为光照区和阴影区；光照区细胞通过裂变演化向最优解靠近：

18、

19、

20、阴影区细胞通过生长和随机扩散模拟向光生长：

21、

22、

23、在伸长阶段，引入光照偏差因子与局部邻域约束调整细胞更新步幅，最终细胞位置为：

24、

25、其中，是随机细胞，是当前光照区最优解，为生长限制因子，为值为 -1或1的随机因子，至是分布于[0,1]的随机变量。

26、203) 根据最优参数将原始信号的频带均匀划分为个子带，并以汉宁窗初始化得到fir滤波器组；以相关峭度为目标函数，通过迭代特征值分解求解约束优化问题，更新fir滤波器系数，以提取出具有周期性和冲击性的分解模态。

27、进一步地，步骤3）具体为：

28、301) 计算模态分量的平方包络：

29、

30、其中为希尔伯特变换；然后对平方包络进行离散傅里叶变换得到平方包络谱：

31、

32、最后计算平方包络谱的四阶标准化矩，得到平方包络谱峭度值：

33、

34、302) 设为平方包络谱峭度值不低于所有模态平方包络谱峭度均值的模态索引集合，为第个模态的平方包络谱峭度值，则重构后的信号为：

35、

36、进一步地，步骤4）具体为：

37、401）对获得的故障特征信号进行幅值归一化处理，消除不同传感器通道之间的数据幅度差异，并抑制直流偏置或异常尖峰值。这一步骤确保输入信号在后续小波分析中的能量分布更加平衡，避免个别高幅值点对整体时频结果的干扰。

38、402）根据轴承振动与声学信号的非平稳特性，选择具有良好时频局部化性能的复morlet小波作为分析母小波。morlet小波兼具时间和频率分辨率，能够有效捕捉故障产生的瞬态冲击特征。

39、403）设定尺度因子a和平移因子b的取值范围，尺度参数与频率成反比，用于控制分析信号的分辨率；平移参数用于控制小波在时间轴上的移动。通过设置足够密集的尺度和平移步长，实现高分辨率的时频分析，同时兼顾计算效率。

40、404）对平方可积信号进行连续小波变换，表达式如下：

41、

42、其中ψ(t)表示母小波，a为尺度因子，b为平移因子。

43、进一步地，步骤5）具体为：

44、501）构建轻量化卷积神经网络模型ca-repmnv3，其输入为步骤4）生成的cwt二维时频图像。

45、502）特征提取前端采用标准3×3二维卷积，将输入图像下采样，并捕捉较浅的初始特征，之后跟随着归一化与h-swish激活函数。

46、503）网络主体由多个特征提取层模块组成，在步频为2的下采样层，保留原先的mobilenetv3 block，其倒残差结构有利于保证下采样过程的梯度传输与训练稳定性。repvit block被用于替换中后期步频为1的mobilenetv3 block，利用其多分支结构与重参数化，高效的提取局部和全局特征。

47、504）为增强空间特征表达能力，每个特征提取瓶颈层都集成坐标注意力（ca）模块，其实现方式为：对输入特征分别沿高度和宽度方向进行平均池化，得到两个一维特征向量；将两个一维特征向量拼接后通过1×1卷积进行压缩融合，再拆分为独立的与 ；分别通过1×1卷积和sigmoid函数生成高度权重与宽度权重：

48、

49、

50、将两个方向的注意力权重作用于原输入特征，得到输出：

51、

52、505) 在全局平均池化之前，通过一个额外的1×1卷积层对特征进行进一步精炼。随后经过池化操作，这些特征被送入分类头进行分类，包括两个1×1 conv2d层和一个softmax激活函数。

53、进一步地，步骤6）具体为：

54、601) 将70% 的cwt二维时频图像数据训练集送入ca-repmnv3故障诊断模型进行多轮训练。

55、602) 在每个epoch中，将训练好的权重文件及其对应的损失值保存下来。在训练过程中及时发现模型训练的效果，并选择损失值最低的权重文件作为最佳模型。这个步骤可以有效地提高模型的准确率和泛化能力。

56、603) 使用20%的数据验证集准确率来评估分类器的性能。准确率是指模型预测正确的样本数（真阳性和真阴性）占样本总数的比例。准确率越高，表示模型的分类性能越好。其公式如下所示：

57、

58、其中，、、和分别表示真阳性、真阴性、假阳性和假阴性。

59、有益效果

60、（1）通过pga优化fmd参数的方法实现自适应信号分解，提升了特征分解的可靠性。

61、（2）kses选择机制实现模态分量的筛选与加权重构，有效抑制了噪声与冗余信息，为后续特征提取提供更有效的信号输入。

62、（3）ca-repmnv3模型在保持极低参数量与计算复杂度的同时，显著提升了关键特征识别能力与故障分类精度。

63、（4）所提方法适用于嵌入式设备或边缘终端的实时部署，具有较强的工业应用价值。